颅脑电阻抗层析成像中接触阻抗变化校正方法

技术领域

本发明属于电学层析成像技术领域，具体涉及颅脑电阻抗层析成像中接触阻抗变化校正方法。

背景技术

电阻抗层析成像(Electrical Impedance Tomography，EIT)技术能够根据人体内部器官或组织电学特性的信息不同反映出人体生理或病理改变的状态，在生物医学领域有广阔的研究价值和应用前景。EIT相比于传统的影像学检查手段，如计算机断层扫描(CT)和核磁共振成像技术(MRI)，具有对人体无害、装置轻便、成本低廉、可用于床旁监测等优点，它已经逐渐成为科研学者的热门研究对象。

电阻抗层析成像技术通过向人体表面施加安全激励,来测量得到人体表面的电信号，从而重构出人体内部的电阻抗变化。由于正常组织与病变组织的导电性能差别很大，可基于EIT技术定位病灶部位、观察病情进展。EIT测量是在已知电导率分布信息的条件下，对被测场域中施加安全电流激励获取边界电压信号的过程。在临床应用中，电极-头皮间接触阻抗发生变化是一种常见的现象。患者头部的运动以及电极-头皮间导电膏含水量的变化均会引起电极-头皮间接触阻的变化，从而引起边界电压值的测量误差，不正确的边界电压值将造成较差的图像重建质量。若能对测量得到的边界电压值进行校正，将会有效提高重建图像的质量。在颅脑电阻抗层析成像中，颅骨的低电导率在很大程度上阻碍了电流进入颅脑中心区域，造成了颅脑中心区域灵敏度较低的问题，使得抑制电极-头皮间接触阻抗变化对图像重建的影响带来了更大的挑战。

由于电极-头皮间接触阻抗发生变化，会影响边界电压值的测量准确度，从而降低图像重建质量。目前，许多课题小组提出了各种方法来研究研究电极-头皮间接触阻抗变化问题。例如G.Boverman等人2017年发表于《IEEE生物医学工程学报》(IEEE Transactionson Biomedical Engineering)第64卷，第795-806页，文章名称为《电阻抗层析成像中时变图像和电极接触阻抗》(Efficient simultaneous reconstruction of time-varyingimages and electrode contact impedances in electrical impedance tomography)；M.R.Baidillah等人2019年发表于Measurement Science and Technology，第30卷，文献号为034002，文章名称为《电阻抗层析传感器中未知接触阻抗的变化引起的挥发性分布电流的补偿》(Compensation of volatile-distributed current due to variance of theunknown contact impedance in an electrical impedance tomography sensor)。

为了减少颅脑电阻抗成像中电极-头皮间接触阻抗变化对边界电压值测量造成的影响，提高重建图像的质量，本发明针对电极-头皮间接触阻抗变化导致夹杂物严重变形难以识别以及图像背景中存在伪影等问题，提出了颅脑电阻抗层析成像中接触阻抗变化校正方法，有效抑制了电极-头皮间接触阻抗变化对测量数据以及图像重建质量的影响。

发明内容

本发明解决的技术问题是提出了颅脑电阻抗层析成像中接触阻抗变化校正方法，该方法通过深度学习网络对电极-头皮间的接触阻抗发生变化时的测量得到的边界电压变化值进行校正，然后根据校正后的边界电压变化值进行被测场域中电导率分布的求解。该方法能够有效减小电极-头皮间的接触阻抗对图像重建的影响，提升图像的空间分辨率，改善成像质量。

本发明为实现上述目的采用如下技术方案，颅脑电阻抗层析成像中接触阻抗变化校正方法，其特征在于具体步骤为：

步骤S1、设置人体与地面水平躺卧，面部朝上，建立检测面，该检测面垂直于地面且与鼻梁垂直，检测面的顶点为当前人体位置情况下的颅脑最高点，构建包含头皮层、颅骨层、脑组织层的颅脑模型，依据人体颅脑不同组织的电阻抗信息分别设置头皮层、颅骨层与脑组织层的电导率；

步骤S2、采用的颅脑电阻抗层析成像系统共包含16个电极，其中1号电极放置在检测面中颅脑最高点，将剩余15个电极以间隔弧长

步骤S3、工作模式采用相对电极电流激励、相邻电极电压测量且激励电极不测量电压的方式，将交流电注入一对位置相对的电极对，建立敏感场域，然后依次测量剩余电极得到边界电压值，具体为：第一步：在电极一和电极九间注入激励电流，依次测量电极二和电极三之间的边界电压值、电极三和电极四之间的边界电压值，以此类推，可知一次激励可得到12个边界电压值；第二步：更改电流激励的电极对，即在电极二和电极十间注入激励电流，依次测量电极三和电极四之间的边界电压值、电极四和电极五之间的边界电压值，以此类推，按照以上顺序循环激励16次，完成后共可获得192个边界电压值，灵敏度矩阵S

式中，S

步骤S4、获取电极-头皮间接触阻抗未发生变化的边界电压值，在某一位置发生某一程度脑出血情况下，测量电极-头皮间接触阻抗未发生变化时的边界电压值U，可以得到在该位置发生一定程度脑出血情况导致的边界电压变化值，其计算过程为：

ΔU＝U-U

式中，ΔU表示电极-头皮间接触阻抗未发生变化时边界电压变化值，U是电极-头皮间接触阻抗未变化且发生脑出血情况下的边界电压值，U

通过上述边界电压变化值计算方式，在不同位置发生不同程度脑出血且电极-头皮间接触阻抗未发生变化的情况下，可获取M组边界电压变化值样本构成标签值训练集P

步骤S5、获取电极-头皮间接触阻抗发生不同程度变化的边界电压值，在步骤S4中不同位置发生不同程度脑出血情况下，当电极-头皮间接触阻抗发生不同程度变化时，测量得到的边界电压值U'，进而得到边界电压变化值，其计算过程为：

ΔU'＝U'-U

式中，ΔU'表示电极-头皮间接触阻抗发生不同程度变化时边界电压变化值，U'是电极-头皮间接触阻抗发生不同程度变化且发生脑出血时的边界电压值，U

根据上述在不同位置发生不同程度脑出血且电极-头皮间接触阻抗发生不同程度变化的情况下获取边界电压变化值的方法，得到M组边界电压变化值样本构成特征值训练集P

步骤S6、深度学习网络搭建，为建立电极-头皮间接触阻抗发生不同程度变化后测量得到的边界电压变化值与接触阻抗未发生变化的边界电压变化值之间的映射关系，引入全连接神经网络对颅脑电阻抗层析成像中电极-头皮间接触阻抗发生不同程度变化后测量的边界电压变化值进行校正；

步骤S601、全连接神经网络包含输入层、隐藏层以及输出层，对于配备有16个电极的颅脑电阻抗层析成像系统，当电极-头皮间接触阻抗发生不同程度变化后，循环激励循环测量得到的192个边界电压值以16*12的矩阵排列作为全连接神经网络的输入，为了匹配全连接神经网络的输入层，此16*12的矩阵经过一个额外添加的扁平层将矩阵大小由16*12变为192*1排列；

步骤S602、全连接神经网络的隐藏层由60个神经元组成，它用来提取输入层的特征信息且被一个双曲切线(Tanh)函数激活，双曲切线函数表示为：

式中，t(x)为双曲切线函数表达式，x表示为输入的信息；

隐藏层的输出可表示为：

h

式中，h

步骤S603、全连接神经网络的输出层由192个神经元组成且由一个双曲切线函数激活，将电极-头皮间接触阻抗未发生变化的情况下所得到的边界电压值作为全连接神经网络的输出；

步骤S7、深度学习网络训练，根据步骤S4、步骤S5得到特征值训练集P

式中，ω为网络中需要训练的参数，K为边界电压值个数，ΔΦ

步骤S8、数据预测，在不同位置发生不同程度脑出血情况下，电极-头皮间接触阻抗也发生不同程度变化时测量得到的边界电压变化值送入全连接神经网络中，经过正向传播，得到电极-头皮间接触阻抗未发生变化的边界电压变化预测值；

步骤S9、图像重建，在颅脑电阻抗层析成像中，由于颅骨的低电导率加重了反问题的病态性，为了更好的重建场域内的电导率分布，采用L1正则化方法的图像重建策略，通过最小化目标函数得到电导率分布为：

式中，

本发明的有益效果在于：本发明提出了颅脑电阻抗层析成像中接触阻抗变化校正方法。得到电极-头皮间接触阻抗发生变化前后的边界电压变化值，通过深度学习网络将电极-头皮间接触阻抗变化后测量得到的边界电压变化值与接触阻抗未发生变化的边界电压变化值之间建立映射关系，对电极-头皮间接触阻抗变化后的边界电压变化值进行校正。该方法能够有效抑制电极-头皮间接触阻抗变化对图像重建的影响，提升重建图像的空间分辨率和成像质量。

附图说明

图1为本发明提供颅脑电阻抗层析成像中接触阻抗变化校正方法的流程框图；

图2为本发明的为电阻抗层析成像系统颅脑模型的三层结构、激励电流和测量电压的模式以及电极分布；图2中：1-激励电流，2-测量电压，3-电极，4-夹杂物，5-头皮层，6-颅骨层，7-脑组织层；

图3为四种模型在电极-头皮间接触阻抗未发生变化时的图像重建结果；

图4为四种模型中单个电极-头皮间接触阻抗发生不同程度变化时，对边界电压变化值校正前和使用本发明所提方法校正后的可视化重建结果的示意图；

图5为四种模型中十六个电极-头皮间接触阻抗发生不同程度变化时，对边界电压变化值校正前和使用本发明所提方法校正后的可视化重建结果的示意图。

具体实施方式

结合附图和实施例对本发明提供颅脑电阻抗层析成像中接触阻抗变化校正方法加以详细说明。

本发明所述的颅脑电阻抗层析成像中接触阻抗变化校正方法，减少了颅脑电阻抗层析成像中由于电极-头皮间接触阻抗变化对测量所得的边界电压变化值引入的误差，提升图像重建质量，针对电极-头皮间接触阻抗变化导致目标物难以精确识别甚至目标物重建失败等问题，对电极-头皮间接触阻抗变化下测量的边界电压变化值进行校正，减小电极-头皮间接触阻抗变化对重建图像质量的影响。

如图1所示，为本发明所提供颅脑电阻抗层析成像中接触阻抗变化校正方法的流程框图，分为以下步骤：

步骤S1、设置人体与地面水平躺卧，面部朝上，建立检测面。该检测面垂直于地面且与鼻梁垂直，检测面的顶点为当前人体位置情况下的颅脑最高点。构建包含头皮层、颅骨层、脑组织层的颅脑模型，依据人体颅脑不同组织的电阻抗信息分别设置头皮层、颅骨层与脑组织层的电导率；

步骤S2、采用的颅脑电阻抗层析成像系统共包含16个电极，其中1号电极放置在检测面中颅脑最高点。将剩余15个电极以间隔弧长

步骤S3、工作模式采用相对电极电流激励、相邻电极电压测量且激励电极不测量电压的方式，将交流电注入一对位置相对的电极对，建立敏感场域，然后依次测量剩余电极得到边界电压值，具体为：第一步：在电极一和电极九间注入激励电流1，依次测量电极二和电极三之间的边界电压值、电极三和电极四之间的边界电压值，以此类推，可知一次激励可得到12个边界电压值。第二步：更改电流激励的电极对，即在电极二和电极十间注入激励电流，依次测量电极三和电极四之间的边界电压值、电极四和电极五之间的边界电压值，以此类推。按照以上顺序循环激励16次，完成后共可获得192个边界电压值。灵敏度矩阵S

式中，S

步骤S4、获取电极-头皮间接触阻抗未发生变化的边界电压值。在某一位置发生某一程度脑出血情况下，测量电极-头皮间接触阻抗未发生变化时的边界电压值U，可以得到在该位置发生一定程度脑出血情况导致的边界电压变化值，其计算过程为：

ΔU＝U-U

式中，ΔU表示电极-头皮间接触阻抗未发生变化时边界电压变化值，U是电极-头皮间接触阻抗未变化且发生脑出血情况下的边界电压值，U

通过上述边界电压变化值计算方式，在不同位置发生不同程度脑出血且电极-头皮间接触阻抗未发生变化的情况下，可获取M组边界电压变化值样本构成标签值训练集P

步骤S5、获取电极-头皮间接触阻抗发生不同程度变化的边界电压值。在步骤S4中不同位置发生不同程度脑出血情况下，当电极-头皮间接触阻抗发生不同程度变化时，测量得到的边界电压值U'，进而得到边界电压变化值，其计算过程为：

ΔU'＝U'-U

式中，ΔU'表示电极-头皮间接触阻抗发生不同程度变化时边界电压变化值，U'是电极-头皮间接触阻抗发生不同程度变化且发生脑出血时的边界电压值，U

根据上述在不同位置发生不同程度脑出血且电极-头皮间接触阻抗发生不同程度变化的情况下获取边界电压变化值的方法，得到M组边界电压变化值样本构成特征值训练集P

步骤S6、深度学习网络搭建。为建立电极-头皮间接触阻抗发生不同程度变化后测量得到的边界电压变化值与接触阻抗未发生变化的边界电压变化值之间的映射关系，引入全连接神经网络对颅脑电阻抗层析成像中电极-头皮间接触阻抗发生不同程度变化后测量的边界电压变化值进行校正。

步骤S601、全连接神经网络包含输入层、隐藏层以及输出层。对于配备有16个电极的颅脑电阻抗层析成像系统，当电极-头皮间接触阻抗发生不同程度变化后，循环激励循环测量得到的192个边界电压值以16*12的矩阵排列作为全连接神经网络的输入。为了匹配全连接神经网络的输入层，此16*12的矩阵经过一个额外添加的扁平层将矩阵大小由16*12变为192*1排列；

步骤S602、全连接神经网络的隐藏层由60个神经元组成，它用来提取输入层的特征信息且被一个双曲切线(Tanh)函数激活，双曲切线函数表示为：

式中，t(x)为双曲切线函数表达式，x表示为输入的信息。

隐藏层的输出可表示为：

h

式中，h

步骤S603、全连接神经网络的输出层由192个神经元组成且由一个双曲切线函数激活。将电极-头皮间接触阻抗未发生变化的情况下所得到的边界电压值作为全连接神经网络的输出。

步骤S7、深度学习网络训练。根据步骤S4、步骤S5得到特征值训练集P

式中，ω为网络中需要训练的参数，K为边界电压值个数，ΔΦ

步骤S8、数据预测。在不同位置发生不同程度脑出血情况下，电极-头皮间接触阻抗也发生不同程度变化时测量得到的边界电压变化值送入全连接神经网络中，经过正向传播，得到电极-头皮间接触阻抗未发生变化的边界电压变化预测值。

步骤S9、图像重建。在颅脑电阻抗层析成像中，由于颅骨的低电导率加重了反问题的病态性。为了更好的重建场域内的电导率分布，采用L1正则化方法的图像重建策略。通过最小化目标函数得到电导率分布为：

式中，

如图2所示，为电阻抗层析成像系统颅脑模型的头皮层5、颅骨层6、脑组织层7，激励电流1和测量电压2的模式，夹杂物4在脑组织层以及16个电极3均匀分布在头皮层。

如图3所示，对四种电极-头皮间接触阻抗未发生变化的模型进行了图像重建。颅脑内夹杂物的真实分布如图3第一行所示，本例中运用COMSOL Multiphysics与MATLAB2023进行联合仿真建模，仿真参数设置如下:头皮层、颅骨层、脑组织层电导率分别为0.44S/m、0.01259S/m、0.15S/m，夹杂物的电导率为0.71S/m。图3第二行图像为电极-头皮间接触阻抗没有发生变化时的重建图像，可以明显看到，当电极-头皮间接触阻抗不发生变化时，夹杂物的大小和位置都得到了很好的重建。

如图4所示，四种模型分别在1号、5号、7号和12号电极-头皮间接触阻抗发生不同程度变化的情况下，对边界电压变化值校正前和使用本发明所提方法校正后的可视化重建结果的示意图。电极接触阻抗分别改变为：360Ω、600Ω、850Ω以及950Ω。可以看出，在没有校正边界电压变化值的情况下，随着电极-头皮间接触阻抗的增加，重构的夹杂物扭曲程度越来越严重，重构图像的质量越来越差。在电极-头皮间接触阻抗变化至950Ω时，夹杂物变得很难识别；而校正边界电压变化值后，恢复的夹杂物尺寸大小以及位置几乎与真实的夹杂物相同，而且在背景中几乎没有伪影。

如图5所示，四种模型在16个电极-头皮间接触阻抗发生不同程度变化的情况下对边界电压变化值校正前和使用本发明所提方法校正后的可视化重建结果的示意图。全部电极-头皮间接触阻抗分别以不同趋势，两种情况的改变范围分别为：600Ω-660Ω之间以及850Ω-935Ω之间。可以看出，在没有校正边界电压变化值的情况下，图像重建质量受到了严重的影响。当电极-头皮间接触阻抗变化程度较大时，夹杂物模糊不清，伪影出现在整个界面；而校正边界电压变化值后，重建图像中恢复了清晰的夹杂物和背景图像，可知本发明所提方法可有效减少由电极-头皮间接触阻抗变化对图像重建质量的影响。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。